在这里了解千眼狼最新动态
1实验背景
千眼狼研发工程师们，自主研发局部DIC-GPU算法，针对自研的DIC软硬件生态深度优化。研发人员通过开展几组经典实验，并与开源GPU算法进行横向对比。
2技术原理
3实验验证
为验证实际效果，千眼狼工程师设计了六组实验，实验基于同一测试环境GPU 4070开展：
场景1 仿真旋转
数据规模：有效子区个数0.4W
计算结果：左 开源算法耗时160ms，右 自研算法耗时仅54ms
场景2 仿真辐射
数据规模：有效子区个数1.7W
计算结果：左 开源算法耗时696ms，右 自研算法耗时仅85ms
场景3 圆杆拉伸
数据规模：有效子区个数0.3W
计算结果：左 开源算法耗时826ms，右 自研算法耗时仅64ms
场景4 三点弯
数据规模：有效子区个数0.7W
计算结果：左 开源算法耗时2011ms，右 自研算法耗时仅109ms
场景5 孔洞拉伸
数据规模：有效子区个数3.2W
计算结果：左 开源算法耗时2755ms，右 自研算法耗时仅148ms
场景6 拉伸裂纹
数据规模：有效子区个数6.6W
计算结果：左 开源算法耗时3855ms，右 自研算法耗时仅217ms
六大实验场景耗时对比
千眼狼自研GPU加速算法较开源GPU 提速3–18倍，且子区规模越大优势越显著。如圆杆拉伸0.3W子区提速3倍，6.6W子区拉伸裂纹场景提速18倍。
六大实验场景精度对比
千眼狼工程师们使用带有位移真值的仿真素材做精度对比，素材位移真值为振幅衰减的正弦函数，绘制自研GPU计算结果、开源GPU计算结果和位移真值曲线如下：
将两组计算结果与真值的平均绝对误差和均方根误差如下：
4实验结论
通过上述实验对比，千眼狼自主研发的局部DIC-GPU算法与开源GPU算法在精度一致的前提下，在效率、适用性、稳定性上有较大提升。
1）效率：实现了较开源算法同计算场景下的3~18倍的提升。
2）适用性：涵盖从仿真到实拍不同场景，可高效处理万级以上子区。
3）稳定性：计算结果与开源方案误差≤0.03pixel，满足科研级精度需求。
5实验展望
微信公众号
官方抖音
